« La donnée clinique ne s’exploite pas telle quelle : c’est tout l’enjeu d’un entrepôt de données »

Quelles transformations sont nécessaires pour qu'une donnée issue du soin puisse être réutilisée dans le cadre d'un projet de recherche ?

Vincent Rubod : Il faut d'abord distinguer deux mondes. La recherche clinique traditionnelle produit ses propres données : on connaît la question au départ, on conçoit le recueil en conséquence, et des attachés de recherche clinique saisissent des données pensées dès l'origine pour répondre à un protocole. Le second, plus récent, est celui de la recherche sur données issues du soin. Là, les données n'ont pas été collectées pour la recherche : elles ont été produites pour prendre en charge un patient, ce qu'on appelle l'usage primaire.

À l'échelle de l'AP-HP, ce sont 38 hôpitaux et des dizaines de millions de patients dans l'EDS, avec des systèmes d'information hétérogènes : dossiers patients, biologie, imagerie, prescriptions... Hormis le DPI commun à 37 hôpitaux, chaque établissement dispose de son propre système, avec ses propres paramétrages. Face à cette complexité, quatre grandes transformations sont nécessaires.

La structuration, d'abord : il s'agit de reconstituer le parcours patient en agrégeant les événements successifs depuis les différents systèmes d'information.

La normalisation ensuite : on modélise ce parcours selon un standard commun. Nous avons migré d'OMOP vers FHIR, un standard plus large qui couvre non seulement la recherche mais aussi le pilotage de l'activité et l'appui aux soins, et depuis lequel on peut dériver une vue OMOP pour les projets qui en ont besoin.

Il y a aussi l'alignement à des référentiels internationaux : LOINC pour la biologie, CIM-10 et CCAM pour les diagnostics et actes, d'autres encore pour les médicaments. Cette phase est indispensable pour les études multicentriques, mais aussi simplement pour comparer des données entre deux hôpitaux de l'AP-HP.

Vient ensuite l'enrichissement : on va chercher des données complémentaires absentes des systèmes de soins. Par exemple, l'AP-HP ne sait pas si un patient est décédé hors de ses murs : un algorithme probabiliste rapproche les données INSEE sur les décès avec les identités des patients pour reconstituer le statut vital. Autre exemple : le score TNM, qui indique le stade métastatique d'un cancer. Il ne figure pas de manière structurée dans le dossier patient ; on l'extrait automatiquement par NLP à partir des comptes rendus. Ce projet de recherche mené avec des oncologues est aujourd'hui en cours d'industrialisation.

Enfin, la pseudonymisation intervient au moment de la mise à disposition des données. Un algorithme détecte et remplace de manière cohérente les entités identifiantes – nom, prénom, adresse, date de naissance – dans l'ensemble des documents d'un même dossier patient. En moyenne, un dossier contient une centaine de documents.

Les données hospitalières sont-elles directement exploitables pour des usages en intelligence artificielle ?

V. R. : Cela dépend du type de données. Pour les données non structurées – textes et images médicales –, on est relativement proches d’une exploitation directe, sous réserve de pseudonymisation.

Pour les textes, nos équipes ont développé une bibliothèque open source, EDSNLP, disponible sur github.com/APHP, qui fournit un cadre complet pour l’implémentation d’algorithmes de NLP.

Pour l’imagerie, l’EDS dispose d’un système qui collecte les données du PACS central de l’AP-HP et les met à disposition, de manière pseudonymisée, pour des projets de recherche. Des industriels et des startups peuvent ainsi entraîner ou valider leurs modèles sur des données réelles issues du soin.

Sur les données structurées, en revanche, il y a presque toujours une phase de feature engineering : on sélectionne les variables pertinentes pour le modèle, on les prépare. Tous les data scientists vous diront que cette phase représente souvent les trois quarts du travail, bien avant l’entraînement du modèle lui-même.

Combien de temps faut-il pour mettre à disposition un jeu de données pour un projet de recherche ?

V. R. : Il y a deux cas de figure très différents. Quand les données sont déjà intégrées dans notre base centrale – biologie, médicaments, comptes rendus–, la mise à disposition est automatisée. Le délai principal est réglementaire : l'évaluation par le comité scientifique et éthique prend un mois environ. La livraison technique est ensuite quasi immédiate.

Quand il faut intégrer de nouvelles données, c'est une tout autre affaire : plusieurs mois de travail avec les professionnels de santé concernés sont nécessaires pour identifier où et comment ces données existent réellement – c'est ce qu'on appelle la phase de data discovery –, puis modéliser, développer et automatiser le flux. Pour le projet Urgences de l’AP-HP consistant à capturer en temps réel le parcours du patient à la minute près, on y a consacré environ un an, pour une centaine de variables. Ce travail avec les professionnels de santé est indispensable : parfois, quand on exploite les données, on découvre des choses qu'on ne comprend pas, et il faut retourner dans le service pour interpréter correctement ce qu'on voit.

Les travaux de recherche permettent-ils en retour d'améliorer la qualité de la donnée saisie ? Et comment s'organise ce retour ?

V. R. : Quand on travaille sur de nouvelles données, comme dans le cas des urgences, on collabore directement avec les professionnels de santé. Mais pour des flux existants comme la biologie ou les médicaments, intégrés il y a plusieurs années, on ne réinterroge pas en continu la qualité. C'est précisément pour cela que nous avons un gros chantier en cours afin d’automatiser des indicateurs de qualité pour détecter les dérives lors d’un changement de logiciel dans un service, ou d’une évolution des pratiques de saisie, et ce sans attendre qu'un utilisateur signale un problème.

On a aussi monté, autour de notre conseillère médicale à l'EDS, le docteur Christelle Gérardin, un « club soignants » qui réunit des professionnels de santé investis sur les données. Ce sont des personnes qui utilisent les données au quotidien, qui voient les problèmes et avec lesquelles on définit les indicateurs de qualité pertinents. On ne peut pas évaluer la qualité des données sans eux.

Et les médecins ont un autre rôle clé : beaucoup réutilisent via l'EDS les données de leur propre patientèle, le DPI ne permettant pas d'extractions massives, pour suivre leur file active, identifier des comorbidités ou monitorer des complications. Ce faisant, ils remontent des anomalies que nous ne pourrions pas détecter autrement : en recherche, quand on livre une cohorte pseudonymisée de 1 500 patients répondant à des critères cliniques, le chercheur n'a aucun moyen de savoir si l'extraction est complète ou si des patients répondant aux mêmes critères ont été omis. Ce retour terrain des médecins permet de détecter ce type d'anomalie.

Quels rôles l'EDS est-il appelé à jouer dans la transformation du système d'information hospitalier à l'AP-HP ?